#vlm Repositories
Entdecke 89 aktive Open-Source-GitHub-Repositories, die mit #vlm getaggt sind und insgesamt 457,898 Sterne gesammelt haben (durchschnittlich 5,144 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist huggingface/transformers mit 169,339 Sternen.
Insgesamt 89 Repositories
🤗 Transformers: Der Framework zur Modell-Definition für State-of-the-Art-Machine-Learning-Modelle in Text, Vision, Audio und multimodalen Modellen, sowohl für Inferenz als auch für Training.
Der Open-Source Multimodal AI Agent Stack: Verbindung von Spitzen-KI-Modellen und Agenten-Infrastruktur
SGLang ist ein Hochleistungs-Serving-Framework für große Sprachmodelle und multimodale Modelle.
Analysiere jedes Video rückwärts, Shot für Shot: Finde heraus, ob es gefilmt, KI-generiert oder programmiert wurde – und wie du es nachbauen kannst. Aufschlüsselungen im offenen VIDEO.md-Format.
https://arxiv.org/abs/2606.28344. Das Ende des Web-Parsings. Der Beginn der skalierbaren Pixel-nativen Suche. Link: https://pixelrag.ai/
Eine Sammlung von Tutorials zu hochmodernen Computer-Vision-Modellen und -Techniken. Entdecken Sie alles von grundlegenden Architekturen wie ResNet bis hin zu Spitzenmodellen wie RF-DETR, YOLO11, SAM 3 und Qwen3-VL.
Bücher, Papiere, Videos und Werkzeugkästen zur Anomalieerkennung. Letztes Update Ende 2025 für LLM- und VLM-Arbeiten!
Qwen, Gemma oder jedes offene agentische LLM/VLM ganz einfach feinabstimmen (SFT/RL), evaluieren und bereitstellen!
Führen Sie führende LLMs und VLMs lokal auf Qualcomm-Geräten über NPU, GPU und CPU mit nur wenigen Codezeilen aus
Das offizielle Repository für ERNIE 4.5 und ERNIEKit – sein industrielles Entwicklungstoolkit basierend auf PaddlePaddle.
🌟100+ Originale LLM / RL-Diagramme 📚, präsentiert vom Autor von "Large Model Algorithms"! 💥 (100+ LLM/RL Algorithmus-Karten)
StarVector ist ein Basismodell für die SVG-Generierung, das die Vektorisierung in eine Code-Generierungsaufgabe umwandelt. Mithilfe einer Vision-Language-Modeling-Architektur verarbeitet StarVector sowohl visuelle als auch textuelle Eingaben, um qualitativ hochwertigen SVG-Code mit bemerkenswerter Präzision zu erzeugen.
One-for-All Multimodales Evaluations-Toolkit für Text-, Bild-, Video- und Audio-Aufgaben
[CVPR 2026] PromptEnhancer ist ein Prompt-Umschreibwerkzeug, das Prompts in klarere, strukturierte Versionen verfeinert für eine bessere Bildgenerierung.
Ein optimiertes und anpassbares Framework für die effiziente Bewertung und Leistungsmessung großer Modelle (LLM, VLM, AIGC).
[MLSys 2024 Best Paper Award] AWQ: Aktivierungsabhängige Gewichtungsquantisierung für LLM-Kompression und -Beschleunigung
Ein quelloffenes Dokumentenparser-Modell mit modernster Genauigkeit und Geschwindigkeit, das während des Post-Trainings eine RSI-Schleife verwendet.
Das offizielle Repository von MiniMax-Text-01 und MiniMax-VL-01, großes Sprachmodell & Sprach-Vision-Modell basierend auf linearer Aufmerksamkeit
[NeurIPS 2024] OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments
Skywork-R1V ist eine fortschrittliche multimodale KI-Modellreihe, entwickelt von Skywork AI, spezialisiert auf die Vision-Sprach-Argumentation.
Plattform für Open‑Source‑AI‑Kamerafähigkeiten, AI‑NVR und CCTV‑Überwachung. Lokale VLM‑Videoanalyse mit Qwen, DeepSeek, SmolVLM, LLaVA, YOLO26. LLM‑gestützter, agentisierter Sicherheitskameraagent – beobachtet, versteht, erinnert sich und schützt Ihr Zuhause über Telegram, Discord oder Slack. Plugbare AI‑Fähigkeiten. OpenAI, Google, Anthropic oder lokale AI. Läuft auf Mac Mini & AI‑PC.
Ein KI-gestütztes Dateiverwaltungstool, das die Privatsphäre durch die Organisation lokaler Texte und Bilder gewährleistet. Mithilfe der Modelle Llama3.2 3B und Llava v1.6 mit dem Nexa SDK scannt, restrukturiert und organisiert es Dateien intuitiv für einen schnellen, nahtlosen Zugriff und eine einfache Wiederbeschaffung.
[EMNLP-2024] Multimodale Sprachagenten für schnelle Prototypenentwicklung und Produktion erstellen
Open-Source-Implementierung und Erweiterung von Google Researchs PaperBanana für automatisierte akademische Figuren, Diagramme und Forschungsvisuals, erweitert auf neue Bereiche wie Folienerstellung.
GLM-4.6V/4.5V/4.1V-Denken: Auf dem Weg zu vielseitigem multimodalen Schlussfolgern mit skalierbarer Verstärkungslernmethode
Das Cradle-Framework ist ein erster Versuch zur allgemeinen Computerkontrolle (GCC). Cradle unterstützt Agenten dabei, jede Computeraufgabe zu meistern, indem es starke Denkfähigkeiten, Selbstverbesserung und Fähigkeitenkuratierung in einer standardisierten allgemeinen Umgebung mit minimalen Anforderungen ermöglicht.
Das LLM-Agenten-Framework in ComfyUI umfasst die Knoten MCP-Server, Omost, GPT-sovits, ChatTTS, GOT-OCR2.0 und FLUX-Prompt. Es bietet Zugriff auf Feishu, Discord und passt sich an alle LLMs mit ähnlichen OpenAI/AISuite-Schnittstellen an, wie z. B. o1, ollama, gemini, grok, qwen, GLM, deepseek, kimi, doubao. Angepasst an lokale LLMs, VLMs, GGUF wie llama-3.3 Janus-Pro, Linkage GraphRAG
End-to-End-Protokoll-Wiedergabe-Toolkit für ChatGPT Plus/Team/Pro-Abonnement · hCaptcha visueller Solver · Empirische Forschung zu Anti-Betrug-Mechanismen / End-to-End-Protokoll-Wiedergabe-Toolkit für ChatGPT Plus/Team/Pro-Abonnement mit von Grund auf neu erstelltem hCaptcha-Solver und empirischer Anti-Betrug-Forschung
Produktionsreife C++-Edge-KI-Engine für Videoanalysen und geräteinterne VLMs auf Sophon, Rockchip RKNN und x86, mit visueller Orchestrierung, Echtzeit-OSD, Ereignissen und reproduzierbaren Benchmarks.
Eine Leseliste für die Sicherheit, den Schutz und die Privatsphäre von großen Modellen (einschließlich Awesome LLM Security, Safety usw.).
Awesome-Jailbreak-on-LLMs ist eine Sammlung modernster, neuartiger, aufregender Jailbreak-Methoden für LLMs. Es enthält Arbeiten, Codes, Datensätze, Bewertungen und Analysen.
Die NVIDIA AI Blueprint für Videosuche und -zusammenfassung (VSS) ist eine GPU-beschleunigte Referenzarchitektur zum Erstellen von Videoanalyse-Agenten mit Echtzeit-verifizierten Warnmeldungen, visuellen Frage-Antwort-Funktionen und automatisierten Berichten. Die VSS Blueprint verwendet visuelle Sprachmodelle (VLM) wie NVIDIA Cosmos, LLMs wie NVIDIA Nemotron, RAG und NVIDIA NIM.
Eine Open-Source-Implementierung für das Fine-Tuning der Qwen-VL-Serie von Alibaba Cloud.
OpenGUI ist ein Android-GUI-Agenten-Framework für KI auf Mobiltelefonen, das echte mobile Apps über die grafische Benutzeroberfläche sehen, planen und bedienen kann.
Modellkomprimierungs-Toolkit, entwickelt für verbesserte Benutzerfreundlichkeit, Umfassendheit und Effizienz.
Leistungsstarke On-Device-KI-Inferenzbibliothek für React Native mit Fokus auf Datenschutz, angetrieben von PyTorchs ExecuTorch-Runtime
🚀🚀🚀 Eine Sammlung einiger großartiger öffentlicher YOLO-Objekterkennungs-Serienprojekte und der zugehörigen Objekterkennungsdatensätze.
Schnelle Optimierung des Flugzeugdesigns durch Transformationen von Berechnungsgraphen (z. B. automatische Differentiation). Zusammensetzbare Analysewerkzeuge für Aerodynamik, Antrieb, Strukturen, Trajektorienentwurf und vieles mehr.
Kuratierter visueller Katalog mit über 200 Architekturen von Vision-Language-Modellen (VLM/MLLM): Fachartikel, Diagramme, Trainingsrezepte, Datensätze und ein Veröffentlichungszeitplan für multimodale KI-Agenten.
JoyCaption ist ein visueller Sprachmodell (VLM) zur Bildunterschriftenerstellung, das von Grund auf als kostenloses, offenes und unzensiertes Modell für die Community aufgebaut wird, um es beim Training von Diffusionsmodellen zu verwenden.
Offene Plattform von InternRobotics zum Aufbau von allgemeinen Navigationsgrundlagenmodellen.
Offizielle Implementierung von Gamer: Ein generalistisches Vision-Language-Action-Basismodell für Echtzeit-Spielagenten mit langfristigem Planungshorizont
Die umfassendste, kontinuierlich aktualisierte und beliebteste Sammlung von über 100 Persönlichkeits-Destillationsfähigkeiten im Web | Multi-Agenten-Systeme | Alle Kategorien: Prominente/Regisseure/Online-Legenden/antike Texte/Anime/Arbeitsplatz/Emotionen
Häufig gestellte Fragen
Welches ist das beliebteste #vlm-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#vlm-Projekt auf GitHub ist huggingface/transformers mit 169,339 Sternen. 🤗 Transformers: Der Framework zur Modell-Definition für State-of-the-Art-Machine-Learning-Modelle in Text, Vision, Audio und multimodalen Modellen, sowohl für Inferenz als auch für Training.
Welche Programmiersprachen werden in #vlm-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #vlm-Projekten auf GitHub sind Python, Jupyter Notebook, TypeScript, Go die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #vlm-Repositories berechnet?
Wir verfolgen 89 aktive Open-Source-Repositories, die mit #vlm getaggt sind (500+ Sterne), mit insgesamt 457,898 Sternen und durchschnittlich 5,144 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.